Sprechen Sie mit einer Statue: Entwicklung einer multimodalen App mit ElevenAgents
- Verfasst von
- Joe Reeve
- Veröffentlicht
- Zuletzt aktualisiert
AnhörenArtikel anhören
Fotografieren Sie eine Statue. Identifizieren Sie die dargestellten Figuren. Führen Sie dann ein Sprachgespräch in Echtzeit mit ihnen – jede Figur spricht mit einer eigenen, zeitlich passenden Stimme.
Genau das können Sie mit den Voice Design- und Agent-APIs von ElevenLabs entwickeln. In diesem Beitrag zeigen wir die Architektur einer mobilen Web-App, die Computer Vision mit Sprachgenerierung verbindet und öffentliche Denkmäler in interaktive Erlebnisse verwandelt. Alles lässt sich mit den untenstehenden APIs und Codebeispielen nachbauen.
Tutorial überspringen – mit einem Prompt erstellen
Die gesamte App unten wurde mit einem einzigen Prompt erstellt und erfolgreich als One-Shot in Cursor mit Claude Opus 4.5 (high) aus einem leeren NextJS-Projekt getestet. Wenn Sie direkt Ihre eigene App erstellen möchten, fügen Sie Folgendes in Ihren Editor ein:
Alternativ können Sie die ElevenLabs Agent Skills verwenden, statt auf die Dokumentation zu verlinken. Sie basieren auf der Dokumentation und können noch bessere Ergebnisse liefern.
Im weiteren Verlauf dieses Beitrags erläutern wir, was dieser Prompt erzeugt.
So funktioniert es
Die Pipeline umfasst fünf Schritte:
- Ein Bild aufnehmen
- Das Kunstwerk und seine Figuren identifizieren (OpenAI)
- Die Geschichte recherchieren (OpenAI)
- Einzigartige Stimmen für jede Figur generieren (ElevenAPI)
- Ein Sprachgespräch in Echtzeit über WebRTC starten (ElevenAgents)
Die Statue mit Vision identifizieren
Wenn ein Nutzer eine Statue fotografiert, wird das Bild an ein visionsfähiges OpenAI-Modell gesendet. Ein strukturierter System-Prompt extrahiert den Namen des Kunstwerks, Ort, Künstler, Datum und – entscheidend – eine detaillierte Stimmbeschreibung für jede Figur. Der System-Prompt enthält das erwartete JSON-Ausgabeformat:
Für ein Foto der Boudica-Statue an der Westminster Bridge in London sieht die Antwort so aus:
Wirksame Stimmbeschreibungen schreiben
Die Qualität der Stimmbeschreibung bestimmt direkt die Qualität der generierten Stimme. Der Voice Design Prompting-Leitfaden behandelt dies ausführlich. Zu den wichtigsten Attributen gehören: ein Marker für die Audioqualität („Perfect audio quality.“), Alter und Geschlecht, Tonfall/Timbre (tief, resonant, rau), ein präziser Akzent („thick Celtic British accent“ statt nur „British“) und das Sprechtempo. Aussagekräftigere Prompts liefern genauere Ergebnisse – „a tired New Yorker in her 60s with a dry sense of humor“ ist „an older female voice“ stets überlegen.
Einige Hinweise aus dem Leitfaden: Verwenden Sie „thick“ statt „strong“, um die Ausprägung eines Akzents zu beschreiben, vermeiden Sie vage Begriffe wie „foreign“, und schlagen Sie für fiktive oder historische Figuren zur Inspiration reale Akzente vor, z. B. „an ancient Celtic queen with a thick British accent, regal and commanding“.
Figurenstimmen erstellen mit Voice Design
Die Voice Design API generiert neue synthetische Stimmen aus Textbeschreibungen – ohne Sprachproben oder Klonen. Dadurch eignet sie sich besonders für historische Figuren, für die kein Quellaudio existiert.
Der Prozess umfasst zwei Schritte.
Vorschauen generieren
Der Textparameter ist wichtig. Längere, zur Figur passende Beispieltexte (über 50 Wörter) liefern stabilere Ergebnisse – stimmen Sie den Dialog auf die Figur ab, statt eine allgemeine Begrüßung zu verwenden. Der Voice Design Prompting-Leitfaden behandelt dies ausführlicher.
Stimme speichern
Sobald Vorschauen generiert wurden, wählen Sie eine aus und erstellen eine permanente Stimme:
Bei Statuen mit mehreren Figuren erfolgt die Stimmerstellung parallel. Die Stimmen von fünf Figuren werden in ungefähr derselben Zeit generiert wie eine einzelne:
Einen ElevenLabs Agent mit mehreren Stimmen erstellen
Nachdem die Stimmen erstellt wurden, konfigurieren Sie im nächsten Schritt einen ElevenLabs Agent, der in Echtzeit zwischen Figurenstimmen wechseln kann.
Wechsel zwischen mehreren Stimmen
Das Array supportedVoices teilt dem Agent mit, welche Stimmen verfügbar sind. Die Agents-Plattform übernimmt den Stimmenwechsel automatisch: Wenn die Antwort des LLM anzeigt, dass eine andere Figur spricht, leitet die TTS-Engine dieses Segment an die richtige Stimme weiter.
Prompt Engineering für Gruppengespräche
Damit mehrere Figuren wie eine echte Gruppe wirken – statt wie eine Abfolge von Fragen und Antworten –, ist ein gezieltes Prompt-Design erforderlich:
Sprache in Echtzeit über WebRTC
Das letzte Element ist die Client-Verbindung. ElevenLabs Agents unterstützen WebRTC für Sprachgespräche mit geringer Latenz – deutlich schneller als WebSocket-basierte Verbindungen, was für natürliche Sprecherwechsel entscheidend ist.
Serverseitig: Ein Conversation-Token abrufen
Clientseitig: Sitzung starten
Der useConversation-Hook übernimmt Audioaufnahme, Streaming, Sprachaktivitätserkennung und Wiedergabe.
Mehr Recherchetiefe durch Websuche
Für Nutzer, die vor einem Gespräch mehr historischen Kontext wünschen, können Sie mit dem Websuche-Tool von OpenAI einen erweiterten Recherchemodus hinzufügen:
Was wir gelernt haben
Dieses Projekt zeigt: Wenn wir verschiedene KI-Modalitäten – Text, Recherche, Vision und Audio – kombinieren, können wir Erlebnisse entwickeln, die die digitale und die reale Welt verbinden. In multimodalen Agents steckt viel unerforschtes Potenzial, das mehr Menschen für Bildung, Arbeit und Unterhaltung erkunden sollten.
Jetzt entwickeln
Die in diesem Projekt verwendeten APIs – Voice Design, ElevenAgents und OpenAI – sind heute alle verfügbar.
Joe arbeitet im Growth-Team bei ElevenLabs und konzentriert sich darauf, Entwicklern zu helfen, das Beste aus den fortschrittlichen Audiomodellen von ElevenLabs herauszuholen.




